基于解剖学信息源建模定量评估癫痫患者MEG和EEG中小脑信号的可检测性

Quantifying Cerebellar Signal Detectability in MEG and EEG in Epilepsy Using Anatomically Informed Source Modeling

作者信息Teppei Matsubara, Abbas Sohrabpour, Seppo P Ahlfors, Mainak Jas, John Samuelsson, Padmavathi Sundaram, Steven Stufflebeam
PMID41990896
发布时间2026-04-14
DOI10.1016/j.neuroimage.2026.121930

实验完整度

研究包含临床MEG/EEG数据、基于MRI的个体化解剖建模、多配置OPM模拟、SNR计算、中介分析及源方向效应分析,形成多层级验证。

主要模型

癫痫患者队列(n=54) 基于临床MRI的个体化脑部模型(含大脑与小脑源空间)

重点核对

患者队列:54例癫痫患者,来源于May 2021至May 2022期间的临床SQUID-MEG记录 源振幅:10 nAm(均匀应用于所有源) 噪声估计:从60秒静息态数据提取,带通滤波0.5-100 Hz OPM配置:OPMSQUID(102个传感器,5mm偏移)、OPMEEG(70个传感器)、OPMcerebellum(20个传感器,5×4网格,10cm×8cm) 统计检验:Wilcoxon符号秩检验,FDR校正,显著性水平0.05

摘要

小脑日益被认为是癫痫相关大规模脑网络的关键组成部分,然而其在无创记录中的电生理表征仍然有限。此局限性源于小脑的深部位置、复杂折叠和不利的源方向,这给常规脑磁图(MEG)和脑电图(EEG)带来挑战。在此,我们使用基于解剖学信息的源建模在群体水平上定量表征了不同模态和传感器配置下的小脑信号可检测性。我们分析了来自接受术前评估的癫痫患者大队列(n = 54)的临床MEG和EEG记录,这些患者选自更大的连续临床人群。利用常规临床MRI生成的受试者特定解剖模型构建了小脑和大脑源空间,使个体间的正向建模保持一致。在个体源位置估计信噪比(SNR),并在区域水平进行总结。除了临床超导量子干涉器件(SQUID)-MEG和EEG,还通过模拟评估了多种头皮上光泵磁力计(OPM)配置,包括与临床传感器几何结构匹配的布局和针对后颅窝覆盖优化的布局。系统研究了源方向、源到传感器距离和头围对SNR的影响。在常规临床记录中,小脑SNR始终低于浅表皮层参考水平,证实了使用标准SQUID-MEG和EEG检测小脑活动存在挑战。通过将OPM放置在SQUID等效位置(即,将SQUID传感器位置投影到头皮)来减少源到传感器的距离,并未改善小脑SNR,表明仅靠近距离不足以更好地检测深部源。相反,针对小脑优化的OPM布局在后部小脑区域产生了显著的SNR增益。源方向的影响导致了OPM和EEG(在相同传感器/电极覆盖下)之间的SNR差异,但次于深度和几何相关的约束。中介分析进一步表明,相对传感器距离显著中介了OPM在后部小脑区域的优势,特别是在头围较小的个体中。这些发现表明,小脑信号的可检测性主要受解剖深度和几何结构控制,而非仅仅传感器距离。通过将基于解剖学信息的源建模与灵活的、区域特定的传感器布局相结合,这项工作为评估和改善MEG和EEG对小脑活动的敏感性提供了一个原则性框架,其意义超越癫痫,扩展到深部和高折叠脑结构的无创映射。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
本研究旨在定量评估MEG和EEG在小脑信号检测中的可检测性,并探究传感器配置、源距离和头部解剖对可检测性的影响。
核心机制
小脑信号可检测性主要受源深度和几何结构限制,而非仅传感器距离;针对小脑优化的传感器布局可通过增加后部小脑区域的相对传感器距离来改善SNR。
主要证据
基于54例癫痫患者的临床数据,结合ARCUS解剖建模和多种传感器配置的模拟,发现SQUID-MEG和EEG中小脑SNR低于皮层参考;OPMcerebellum后部区域SNR提高;中介分析显示头围通过相对距离间接影响SNR。
研究意义
该框架为评估和改善MEG/EEG对小脑活动的敏感性提供原则性方法,可扩展到其他深部折叠脑结构的无创 electrophysiological 绘图。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

临床数据采集与预处理

获取癫痫患者临床MEG和EEG记录,并排除噪声估计不可靠的个体。

回顾性纳入62例患者,接受临床SQUID-MEG和同步EEG记录(当耐受时),并进行MRI扫描。通过FreeSurfer和ARCUS处理MRI,构建个体化源空间。通过噪声估计排除5例患者,最终纳入54例。

2

正向建模与噪声估计

构建统一的正向模型,并估计传感器噪声以计算SNR。

利用MNE-Python构建三层边界元模型(BEM),脑、颅骨、头皮电导率分别为0.3, 0.006, 0.3 S/m。源空间基于大脑和小脑皮层表面,每个半球约10万个顶点。噪声方差从60秒静息态数据估计,模型假设均匀分布的皮层噪声源。

3

SNR计算与区域汇总

计算每个源位置的SNR,并在脑区和脑叶水平汇总,比较不同模态。

对每个源顶点,计算SNR(公式见方法)。在脑区(使用Desikan-Killiany分区)和小脑叶(使用ARCUS分区)内平均SNR,并进行统计检验。

4

模拟多种传感器配置

评估不同传感器布局对SNR的影响,包括OPM配置。

生成多种OPM配置:OPMSQUID、OPMEEG和OPMcerebellum,以及对应的SQUID配置(SQUIDcerebellum)。通过模拟计算各配置下的SNR,并与临床SQUID和EEG比较。

5

分析源方向和距离效应

探究源方向、传感器距离和头围对SNR差异的影响。

计算折叠角(folded angle),即源表面法线与内颅骨中心指向顶点的向量之间的夹角。计算传感器距离比(SQUID距离/OPM距离)。通过线性回归和中介分析评估这些因素对SNR差异的作用。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

产品清单

实验环节名称品牌货号
VectorViewElekta Neuromag--
EasyCap电极帽EasyCap--
Polhemus FastrakPolhemus--
FieldLine Gen1传感器FieldLine--

关键环节

汇总复现实验时建议重点确认的条件及原文阅读提示。

环节核对要点
临床数据采集
患者队列:62例患者,最终54例纳入分析;MEG记录时长约50分钟;EEG电极帽70通道;MRI场强1.5T或3T,切片厚度范围
阅读提示:Methods 2.1 Subjects, 2.2 Data acquisition
正向建模
BEM层数:3层;电导率值:0.3, 0.006, 0.3 S/m;源振幅:10 nAm;源空间采样密度
阅读提示:Methods 2.3 Forward modeling
噪声估计
噪声估计数据段长度:60秒;滤波范围:0.5-100 Hz;噪声模型假设
阅读提示:Methods 2.6 Noise estimation
OPM模拟配置
OPMSQUID传感器数量:102个,偏移5mm;OPMEEG数量:70个;OPMcerebellum数量:20个,网格尺寸10cm×8cm
阅读提示:Methods 2.7 OPM configurations
统计与中介分析
显著性水平:0.05;FDR校正;中介分析模型:Baron和Kenny,Sobel检验
阅读提示:Methods 2.10 Statistical analysis